一种基于多维数据融合的心电信号分类方法

1.本发明属于智慧医疗与健康技术领域，具体涉及一种基于多维数据融合的心电信号分类方法。


背景技术：

2.心电图的测量在现代诊断学中起着重要的辅助作用。近年来人工智能的发展很大程度上提高了心电信号自动分类和异常检测的效率和准确率。目前高精度的计算机辅助解释可以大量节约专业临床医生大量的时间和精力，并减少误诊的数量。心电信号的自动分类诊断算法在心血管疾病的诊断和预测中起着至关重要的作用。
3.随着深度神经网络的发展，通过神经网络尤其是卷积神经网络和循环神经网络来进行心电信号分类的方法被越来越多地应用。大多数现有方法直接分析心电的一维特征，或者将心电信号的时间序列划分为一组心拍片段并使用一维卷积神经网络分析，或者将心电信号的频率信息转化成为时频图并使用二维卷积神经网络分析。然而，这些方法在网络构建期间均没有考虑到心电信号作为生理信号其一维时间序列与二维时频图间的关联性和时间依赖性，导致现有的分类模型的迁移泛化性能不强，以至于使用某个心电图机采集的数据训练的模型，应用在其他型号心电图机上时准确率下降。此外，患者的性别、年龄、身高、体重以及用药信息等在内的与心血管病具有明显相关性的文本数据也没有在现有的分类方法中得到很好的应用。在心电信号分类领域，目前没有已知方法同时使用到时序、时频以及文本三种数据，也没有有效的将这三种数据的特征融合的模型。


技术实现要素：

4.为了克服现有技术中存在的缺陷，本发明提供一种基于多维数据融合的心电信号分类方法，将患者心电信号数据的时间空间频率特征和健康数据的文本类型的特征相融合，能够使得模型具有更好的迁移泛化性能，更好地适用于不同型号、采样率、不用导联的心电图机。
5.本发明为解决其技术问题所采用的技术方案是：一种基于多维数据融合的心电信号分类方法，包括如下步骤：
6.步骤1：将心电信号切分成若干心拍，将切分好的心拍按组输入进时间序列模块，输出时间序列特征z1；
7.步骤2：将心电信号进行短时傅里叶变换得到心电的时频图，再将时频图输入进时频图模块，输出空间特征z2；
8.步骤3：将性别、年龄、体重和患者的用药信息输入进文本数据模块，输出文本特征z3；
9.步骤4：将时间序列模块、时频图模块、文本数据模块各自提取到的特征z1、z2、z3，同时输入进特征融合模块进行特征融合，输出融合后的特征向量h；
10.步骤5：将融合后的特征向量h输入进全连接层，使用激活函数进行多分类输出；
11.步骤6：利用步骤1-5对模型进行心电信号分类的训练，将训练好的模型用于不同数据分布的心电信号的分类任务。
12.进一步的，所述将心电信号进行短时傅里叶变换得到心电的时频图，具体为：将心电信号与窗函数相乘，然后进行一维傅里叶变换，通过窗函数的滑动得到若干频谱函数，再将频谱函数展开得到心电信号的时频图。
13.进一步的，所述文本数据模块由word2vec和一个文本自编码器组成，通过word2vec将输入的性别、年龄、体重等元数据转化为向量，然后将向量输入进文本自编码器中获取特征。
14.进一步的，文本自编码器的编码器和解码器均由gru模型组成。
15.进一步的，所述gru模型由重置门和更新门组成，gru模型的实现如下：
16.r
t
＝σ(wr·
[h
t-1
；x
t
] br)
[0017]zt
＝σ(wz·
[h
t-1
；x
t
] bz)
[0018][0019][0020]
其中，x
t
表示t时刻的输入，σ表示激活函数，r
t
，z
t
分别表示重置门和更新门的输出，h
t
分别表示候选输出和实际输出，
⊙
表示逐个相乘，wr表示r时刻的权重，br表示r时刻的偏置量，wz表示z时刻的权重，bz表示z时刻的偏置量，wh表示h时刻的权重，bh表示h时刻的偏置量。
[0021]
进一步的，所述特征融合模块具体计算方法为：
[0022][0023]
其中，h是融合后的特征向量，w是权重，b是偏移量，z为输入特征，m和i的取值范围为[1，3]。
[0024]
本发明的有益效果包括：基于本方法的心电信号分类的多维度数据融合模型，首先可以提高目前心电信号分类任务的准确性和分类效率，即使在高噪声十二导联心电图机的分类任务上也能达到很高的准确率，在ptb-xl心脏病数据集上五分类可以达到98％的准确率。其次，本方法相较于传统的心电分类方法提高了泛化性能，可以解决目前业界心电信号分类模型泛化性能较差的问题。通过本方法训练的心电分类模型，可以很好的应用在其他型号、采样率和不用导联的心电图机的智能诊断上，省去了重复训练的开销，节约开发人员的开发成本和专业医生标注数据的时间成本，以此提高经济效益。
附图说明
[0025]
图1为基于本方法训练的模型架构图；
[0026]
图2为特征融合模块图；
[0027]
图3为心电信号切分的心拍图；
[0028]
图4为心电信号的时频图。
具体实施方式
[0029]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0031]
实施例1
[0032]
一种基于多维数据融合的心电信号分类方法，包括如下步骤：
[0033]
步骤1：将心电信号根据r峰位置切分成若干心拍，将切分好的心拍按组输入进时间序列模块，输出时间序列特征z1。
[0034]
所述时间序列模块由三层一维卷积神经网络、长短期记忆神经网络和池化层组成。心拍长度为256个采样点，卷积核数量为64，大小为1*128。
[0035]
步骤2：将心电信号进行短时傅里叶变换得到心电的时频图，再将时频图输入进时频图模块，输出空间特征z2。
[0036]
所述时频图模块由三层二维卷积神经网络、长短期记忆神经网络和池化层组成。时频图分辨率为512*512，卷积核数量为128，大小32*32。
[0037]
将所述短时傅里叶变换stft定义为：
[0038][0039]
其中，z(u)表示心电信号，g(u-t)表示窗函数。将心电信号与窗函数相乘，然后进行一维傅里叶变换。通过窗函数的滑动得到若干频谱函数，再将其展开得到心电信号的时频图。
[0040]
步骤3：将性别、年龄、体重和患者的用药信息输入进文本数据模块，输出文本特征z3。
[0041]
所述文本数据模块由word2vec和一个文本自编码器组成，通过word2vec将输入的性别、年龄、体重等元数据转化为向量，然后将其输入进文本自编码器中获取特征。文本自编码器的编码器和解码器均由gru模型组成。
[0042]
所述gru模型由重置门和更新门组成。其中，重置门用来弱化上个单元中相关性低的特征，更新门用来确定上个单元需要传递给下个单元的特征。gru模型的实现如下：
[0043]rt
＝σ(wr·
[h
t-1
；x
t
] br)
[0044]zt
＝σ(wz·
[h
t-1
；x
t
] bz)
[0045][0046][0047]
其中，x
t
表示t时刻的输入，σ表示激活函数，r
t
，z
t
分别表示重置门和更新门的输出，h
t
分别表示候选输出和实际输出，
⊙
表示逐个相乘，wr表示r时刻的权重，br表示r时刻的偏置量，wz表示z时刻的权重，bz表示z时刻的偏置量，wh表示h时刻的权重，bh表示h时刻的偏置量。
[0048]
步骤4：将时间序列模块、时频图模块、文本数据模块各自提取到的特征z1、z2、z3，
同时输入进特征融合模块进行特征融合，输出融合后的特征h。
[0049]
所述特征融合模块用于按适当的比例排列重新加权特征，帮助模型知道哪部分特征应该被强调，哪部分特征需要被弱化。具体计算方法为：
[0050]
输入特征通过一个线性层产生输出的融合后的特征向量h，其计算方法如下：
[0051][0052]
其中，w是权重，b是偏移量，z为输入特征，m和i的取值范围为[1，3]。
[0053]
步骤5：将融合后的特征h输入进全连接层，使用softmax激活函数进行多分类输出。
[0054]
步骤6：利用步骤1-5对模型进行心电信号分类的训练，将训练好的模型用于不同数据分布的心电信号的分类任务。
[0055]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。